演示已结束，让人工智能在生产环境中发挥作用的时刻现已到来

企业人工智能的难点已不再是试点项目，而是其后的一切。

麻省理工学院（MIT）的去中心化架构倡议发现，尽管企业在生成式人工智能项目上投入了300亿至400亿美元，但其中95%的项目并未产生可衡量的损益影响。

此外，42%的公司在2025年放弃了大部分人工智能项目，这一比例高于2024年的17%。

这其中的含义非常直白：前沿模型的获取如今已商品化，持久的优势属于那些在人工智能脱离演示阶段后，能够对其进行维持、治理和捍卫的公司。

要做到这一点，需要将核心核算单位从“通证”（token）转向“信任”。

在企业环境中，信任是指一个人工智能系统具有可预测性、可问责性和法律上可辩护性的操作确定性。

这种信任建立在强大的数据基础、一致的治理政策以及对每个输入、决策和输出的清晰审计追踪之上。

政策层面也正趋向于同样的结论。

在2026年的亚洲科技大会（ATxSummit）上，新加坡宣布与行业领导者建立合伙业务，以在公共服务、金融、医疗保健、数字基础设施和实体人工智能领域构建、测试、部署和治理真实世界的人工智能应用。

这对董事会发出的信号是明确的：监管机构现在关心的是，企业组织能否证明其人工智能的行为方式。

采用人工智能的“原因”已经不成问题；现在整个竞争的焦点已经转移到“如何做”上。

维持：为有效工作定价，而非为通证付费

按通证计价的模式粉饰了经济效益。

高盛（Goldman Sachs）预测，随着智能代理的普及，到2030年，通证的消耗量将增长至当前水平的24倍。这意味着，为每个通证建模的任何成本都将成为对您不利的复利数字。

能够在实际生产中经受住考验的准则是通过四个维度来衡量人工智能——单位经济效益、控制力、性能和运营负担——并将它们整合为一个指标：每项完成的有效任务的成本，而不是每个通证或模型的成本。

简而言之，如果您无法为一项已完成的任务定价，您就无法捍卫为其提供资金的预算。

同样的指标也应决定工作负载在何处运行。

公有云在速度、实验和前沿模型的可及性方面占优；而私有和主权推理则在处理大容量、受监管或对延迟敏感的工作负载方面胜出。

制胜策略是将人工智能引入数据，而非反其道而行之。工作负载的运行地点现在已成为决定利润与亏损的关键。

麻省理工学院发现，从专业供应商处购买并通过合伙业务运行的人工智能项目成功率约为67%，而仅在内部构建的项目成功率大约只有前者的三分之一。

在实践中，企业应首先定义业务任务，将其与能够可靠执行该任务的最简单模型相匹配，并追踪每项已完成任务的成本。

然后，他们应根据速度和实验需求将工作负载分配至公有云，或根据成本、控制和延迟需求将其分配至私有和主权环境。

在生产环境中维持人工智能的运行，需要在演示阶段之外展现出明确的财务可行性；而如今，95%的项目都无法证明这一点。

治理：没有审计追踪的自主性只是不受管理的风险

当领导者无法解释一个系统为何如此行动、应用了哪些规则、使用了什么数据，或者谁对结果负责时，控制便宣告失败。

这种失败是结构性的，而非偶然：Cloudera的《2026年数据就绪指数》发现，仅有10%的亚太地区受访者实现了对其所有数据的全面治理。

您无法在未经治理的数据之上对智能代理的决策进行治理。审计追踪在智能代理出现问题之前就已经中断了。

如果数据治理政策不能随着数据在各种环境中迁移，那么安全地进行洗牙将变得不可能。

随着智能代理从回答问题转向跨工具和工作流采取行动，风险会随之加剧。

研究与咨询公司Gartner预计，到2028年，代理式人工智能将驱动至少15%的日常工作决策，而这一比例在2024年几乎为零，届时它将被嵌入三分之一的企业软件中。

当试点项目在缺乏共享标准、政策或可见性的情况下在各个团队中大量涌现时，自主性就会变得支离破碎、成本高昂且不可靠。没有标准的洗牙会成倍增加失败的风险面。

为了有效治理，企业组织必须定义每个模型或智能代理被允许做什么，在各团队间应用通用政策，并创建审计追踪。

然后，他们应该增加编排功能，根据成本、延迟、价值、敏感性和治理需求来路由工作负载，并对高风险行为设置明确的人工检查点。

其中的利害关系是实实在在的：Gartner预测，到2027年底，超过40%的代理式人工智能项目将被取消，主要原因是风险控制薄弱和价值不明确。

因此，目标应该是将自主性与监督相匹配。

捍卫：为模型出错之日而设计

捍卫意味着为人工智能出错、产生歧义或在高风险环境中运行时的情况进行工程设计。

新加坡的《代理式人工智能示范治理框架》明确指出了这一点：预先评估风险，限制智能代理的自主性及其对工具和数据的访问，并定义必须获得人工批准的检查点。

成熟度的衡量标准不再是您自动化了多少，而是您多么审慎地决定了不自动化的部分。

一个实用的保障模型包括四个部分：明确定义的决策权、分层级的自主性、对输入、行动和输出的完全可追溯性，以及带有策略覆盖功能的紧急关停开关。

新加坡金融管理局最近推出了运行期代理式金融保障（SAFR）框架，为这一逻辑在实践中的应用提供了一个有益的范例。

SAFR框架是与金融服务行业的合作伙伴共同开发的，它提议设立运行时治理检查点，在人工智能代理执行其提议的行动前进行验证和记录，以帮助确保其行为保持在预定义的授权、政策和风险边界之内。

然而，监督必须是有选择性的。审查所有事情会破坏投资回报，而这正是Gartner预测超过40%的代理式人工智能项目将被取消的背后陷阱。

成熟的做法是自动化低风险工作，仅将模糊、高影响或基于例外的情况交由人工处理。人工监督应像手术刀一样精准，而非一概而论。

因此，要决定智能代理可以“推荐”哪些行动，而不是直接“执行”它们。

将高风险任务置于人工批准之后，并依赖抽样、置信度阈值和异常处理等方法。

以与关注效率同等的严肃态度，追踪错误率、上报率、合规评分、信任评分和返工负担等业务质量指标。

捍卫并非要给人工智能的应用踩刹车，而是要建立一个既能提升绩效又能控制风险的控制循环。

核算单位正从通证转向信任

企业人工智能的经济学正在被改写，因为瓶颈已从“获取”转移到了“运营”。

要维持它，就需要衡量有效工作，并将工作负载部署在能产生回报的地方。

要治理它，就需要强制执行通用标准、策略控制、可追溯性和编排。

要捍卫它，就需要应用选择性监督、强有力的保障措施，并构建在设计时同等审慎地考虑成功与失败的系统。

前沿能力如今是一种可购买的商品，而不再是护城河。能够形成复利优势的是围绕其构建的基础设施、治理和运营确定性。

在麻省理工学院的研究中，那95%停滞不前的公司将人工智能视为一种需要“获取”的东西；而那5%取得突破的公司则将其视为一种需要“运营”的东西。

这个差距正是试点与生产之间的全部距离，并且日益成为未来十年领军企业与那些向董事会解释为何演示项目从未收回成本的企业之间的分水岭。

现在，信任而非通证，才是核算单位。为此而构建吧。

本文作者是Cloudera的首席商务官兼应用人工智能总经理